2. 程式人生 > >SVM→8.SVM實戰→3.調節SVM參數

SVM→8.SVM實戰→3.調節SVM參數

阿新 • • 發佈：2018-10-08
復雜 flatten 標簽 decision display autumn 技術分享 分享圖片 每次

《SVM→8.SVM實戰→3.調節SVM參數》

描述代碼
  1. 導入模塊
1
2
3
4
from sklearn.datasets.samples_generator
 
 import make_blobs
import matplotlib.pyplot as plt
from sklearn.svm import SVC # "Support vector classifier"
import numpy as np
  1. 生成數據集
    1. 使用make_blobs函數生成用於聚類的數據，主要參數有：
      1. n_samples：樣本個數
      2. centers：樣本中心（類別）數
      3. random_state：隨機種子(被指定後，每次構造數據相同)
      4. cluster_std：數據離散程度
      5. n_features：特征數，默認是2
    2. 返回值有樣本數據集X和標簽y，且都是ndarray對象
1
2
3
4
In[3
 
]: type(make_blobs)
Out[3]: function
In[4]: X, y = make_blobs(n_samples=50, centers=2,random_state=0, cluster_std=0.80)
In[5]: plt.scatter(X[:, 0], X[:, 1], c=y,  s=50, cmap=‘autumn‘)
技術分享圖片
  1. 模型選擇及超參數調優
    1. 使用svm.SVC(C=1.0, kernel=’rbf’)來創建一個SVC對象，選擇核為linear及不同的C技術分享圖片
    2. 當C值特別大時，相當於技術分享圖片=0，此時為硬間隔最大化；當C值很小時，此時為軟間隔最大化，軟間隔的支持向量或者在間隔邊界上，或者在間隔邊界與分離超平面之間， 或者在分離超平面誤分一側。

1
2
3
4
5
6
7
_,axi = plt.subplots(1,2)

for axi, C in zip(axi, [10.0, 0.1]):
    model = SVC(kernel=‘linear‘, C=C).fit(X, y)
    axi.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=‘autumn‘)
    plot_svc_decision_function(model, axi)
    axi.set_title(‘C = {0:.1f}‘.format(C), size=14)
plot_svc_decision_function參考見擴展
  1. 繪制圖形
    1. 使用svm.SVC(C=1.0, kernel=’rbf’)來創建一個SVC對象，選擇核為rbf及不同的gamma 技術分享圖片
    2. gamma越大，擬合的曲線就越復雜。
1
2
3
4
5
6
7
_,axi = plt.subplots(1,2)

for axi, gamma,C in zip(axi, [10.0, 0.1],[1,1]):
    model = SVC(kernel=‘rbf‘, gamma=gamma,C=C).fit(X, y)
    axi.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=‘autumn‘)
    plot_svc_decision_function(model, axi)
    axi.set_title(‘gamma = {0:.1f}‘.format(gamma), size=14)





Show 拓展參考見SVM→8.SVM實戰→1.訓練一個基本的SVM
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
def plot_svc_decision_function(model, ax=None, plot_support=True):
    """Plot the decision function for a 2D SVC"""
    if ax is None:
        ax = plt.subplot(111)
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()

    # create grid to evaluate model
    x = np.linspace(xlim[0], xlim[1], 30)
    y = np.linspace(ylim[0], ylim[1], 30)
    X,Y = np.meshgrid(x, y)
    xy = np.vstack([X.flatten(), Y.flatten()]).T
    P = model.decision_function(xy).reshape(X.shape)

    # plot decision boundary and margins
    #levels是 alpha是透明度 linestyles
    ax.contour(X, Y, P, colors=‘k‘,
               levels=[-1, 0, 1], alpha=0.5,
               linestyles=[‘--‘, ‘-‘, ‘--‘])

    # plot support vectors
    if plot_support:
        ax.scatter(model.support_vectors_[:, 0],
                   model.support_vectors_[:, 1],
                   s=500,c=‘‘,edgecolors=‘black‘)

SVM→8.SVM實戰→3.調節SVM參數

相關推薦

SVM→8.SVM實戰→3.調節SVM參數

復雜 flatten 標簽 decision display autumn 技術分享 分享圖片 每次 .card { font-family: arial; font-size: 20px; text-align: left; color: black; backgroun

STL的map容器將第3個模板參數設為less_equal或greater_equal會怎樣？

node plus operator 分享 技術分享 const 等於 進行 temp 最近都在學Linux系統編程，用C就足矣，有段時間沒碰C++了，於是實現些算法練手。 實現多項式乘法的時候發現有幾項沒有合並同類項，最終調試到這一步時發現了問題。 res是map類型，

（官網）虛幻3--虛幻引擎3命令行參數

加密 分辨率 sorted proc exec his oss nom cat 虛幻引擎3命令行參數 虛幻引擎3命令行參數 概述 模式 地圖/服務器/編輯器的URL 參數 一般選項 服務器選項 針對UTGame的特定選項 Switches(開關) 開發人

【WebGL入門3】相機參數及光照模型

但是 一個 設置 phi 模塊 之間 光源 top pen 透視相機：PerspectiveCamera( fov, aspect, near, far ) 　　1、視角fov：這個最難理解,我的理解是,眼睛睜開的角度,即,視角的大小,如果設置為0,相當你閉上眼睛了,所以什

MySQL 8.0 首個自適應參數橫空出世

之前 正常 進程啟動 命令 數值 can erro 打印 存在 MySQL 8.0 首個自適應參數橫空出世MySQL 8.0推出一個號稱可以自適應服務器的參數，保證在各種不同的服務器、虛擬機、容器下自動適配服務器資源。本文將為大家詳細介紹該參數。 作者 李春·沃趣科技聯合創

Springboot 3.需求攜帶參數的get請求

代碼 實現 isn getname image framework [] frame sta 還是拿來上節講的代碼： package com.course.server; import org.springframework.web.bind.annotation.*

3 JVM配置參數

upload 參數 mage nbsp 技術 9.png loading info load 3 JVM配置參數

基於OpenCV做“三維重建”（3）--相機參數矩陣

過程 ora 希望 .cn href 標準 www. solid http 通過前面的相機標定，我們能夠獲得一些參數模型。但是這些相機的參數矩陣到底是什麽意思？怎樣才能夠判斷是否正確？誤差都會來自哪裏？這裏就必須要通過具體實驗來加深認識。采集帶相機參數的圖片

tensorflow實現svm多分類 iris 3分類——本質上在使用梯度下降法求解線性回歸（loss是定制的而已）

points near plot asi atm lob put matplot ive # Multi-class (Nonlinear) SVM Example # # This function wll illustrate how to # implement

機器學習：SVM（scikit-learn 中的 RBF、RBF 中的超參數 γ）

import colors 機器 class 核函數 RoCE caf 情況 方差 一、高斯核函數、高斯函數 μ：期望值，均值，樣本平均數；（決定告訴函數中心軸的位置：x = μ） σ2：方差；（度量隨機樣本和平均值之間的偏離程度：， 為總體方差， 為變量， 為總體

SVM的兩個參數 C 和 gamma

測試 需要 html libsvm div 無法 泛化 img 重要 https://blog.csdn.net/lujiandong1/article/details/46386201 SVM模型有兩個非常重要的參數C與gamma。其中 C是懲罰系數，即對誤差的寬容度。

sklearn學習筆記（3）svm多分類

SVC、NuSVC、LinearSVC都可以在一個數據集上實現多分類。 SVC和NuSVC方法類似，但是有不同的輸入引數集和不同的數學表述。另一方面，linearSVC是SVC的線上性核的基礎上的另一種實現，所以LinearSVC不能不能接受關鍵字“kerne

8、支援向量機SVM

支援向量機 1、支援向量機的應用領域： 支援向量機可用於迴歸、分類和異常檢驗，前者即為支援向量機迴歸，後者為支援向量機分類。支援向量機應用在許多領域，包括手寫數字識別、物件識別、演說人識別，以及基準時間序列預測檢驗；基因分組；文字分類（比如每篇文件的主題）；檢測一些很少發生

【機器學習演算法-python實現】svm支援向量機(3)—核函式

1.背景知識 前面我們提到的資料集都是線性可分的，這樣我們可以用SMO等方法找到支援向量的集合。然而當我們遇到線性不可分的資料集時候，是不是svm就不起作用了呢？這裡用到了一種方法叫做核函式，它將低

SVM 的核函式選擇和調參

本文結構： 1. 什麼是核函式 2. 都有哪些 & 如何選擇 3. 調參 1. 什麼是核函式 核函式形式 K(x, y) = <f(x), f(y)>， 其中 x, y 為 n 維，f 為 n 維到 m 維的對映，&l

從頭認識Spring-3.8 簡單的AOP日誌實現（註解版）-擴展添加檢查訂單功能，以便記錄並檢測輸入的參數

this proxy snippet 輸入 name util java framework -i 這一章節我們討論一下擴展添加檢查訂單功能，以便記錄並檢測輸入的參數。1.domain蛋糕類：package com.raylee.my_new_spring.my_new

吳恩達-深度學習-課程筆記-8: 超參數調試、Batch正則化和softmax( Week 3 )

erp 搜索 給定 via 深度 mode any .com sim 1 調試處理( tuning process ) 如下圖所示，ng認為學習速率α是需要調試的最重要的超參數。 其次重要的是momentum算法的β參數（一般設為0.9），隱藏單元數和mini-batch的

HP C7000刀片服務器實戰3：Redhat Linux 6.8操作系統安裝

安裝完成 系統 操作系統 類型 device water text raid1創建 原來 11.在完成RAID1創建之後，選擇加載鏡像所需要的路徑。此處不需要設置系統啟動項，因為當清除完RAID之後，該服務器沒有操作系統，服務器會自動檢查各種可以加載鏡像的方式，並安裝系統。

SVM：利用SVM算法實現手寫圖片識別(數據集50000張圖片)—Jason niu

圖片 clas 識別 fit ati ade loader test part import mnist_loader # Third-party libraries from sklearn import svm def svm_baseline():

ML之SVM：基於Js程式碼利用SVM演算法的實現根據Kaggle資料集預測泰坦尼克號生存人員

ML之SVM：基於Js程式碼利用SVM演算法的實現根據Kaggle資料集預測泰坦尼克號生存人員 實驗資料 設計思路   實現程式碼(部分程式碼) /** js程式碼實現SVM演算法 */ //ML之SVM：基於Js程式碼利用SVM演算法的實現根據Kagg